從成交量做特徵工程
我們將使用非線性模型來提升預測準確度。使用線性模型時，特徵必須與目標呈線性相關。其他機器學習模型則能以非線性的方式組合特徵。例如，若價格的移動平均正在上升，而成交量的移動平均正在下降，價格就可能上漲。要捕捉這類互動，要嘛將特徵相乘，要嘛使用能處理非線性的機器學習演算法（例如 random forests）。
為了納入更多可能與其他特徵互動的資訊，我們可以加入弱相關的特徵。首先，我們會把成交量資料加進來，這在 lng_df 的 Adj_Volume 欄位中。
開始之前請記得，TA-Lib 的函式（例如 SMA()）需要的是 Numpy 陣列，而不是 pandas 物件。你可以使用 pandas Series 或 DataFrame 的 .values 屬性把它轉成 Numpy 陣列。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 建立 1 天的成交量報酬（使用 pandas 的
pct_change()），並指定到lng_df的Adj_Volume_1d_change欄位。 - 建立該 1 天成交量報酬的 5 天移動平均，並指定到
lng_df的Adj_Volume_1d_change_SMA欄位。 - 使用
new_features清單繪製這兩個新特徵的直方圖。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create 2 new volume features, 1-day % change and 5-day SMA of the % change
new_features = ['Adj_Volume_1d_change', 'Adj_Volume_1d_change_SMA']
feature_names.extend(new_features)
lng_df[____] = lng_df['Adj_Volume'].____
lng_df[____] = talib.SMA(____[____].____,
timeperiod=____)
# Plot histogram of volume % change data
lng_df[____].plot(kind='hist', sharex=False, bins=50)
plt.show()